neo4j安装调研简介-代做找我

简介: neo4j安装调研简介-代做找我

一、 简介


Neo4j是一个高性能的,NOSQL图形数据库,它将结构化数据存储在网络上而不是表中。它是一个嵌入式的、基于磁盘的、具备完全的事务特性的Java持久化引擎,但是它将结构化数据存储在网络(从数学角度叫做图)上而不是表中。Neo4j也可以被看作是一个高性能的图引擎,该引擎具有成熟数据库的所有特性。程序员工作在一个面向对象的、灵活的网络结构下而不是严格、静态的表中——但是他们可以享受到具备完全的事务特性、企业级的数据库的所有好处。


二、 优缺点


1、社区版免费开源,但是企业级项目实用性不强,嵌入式模式相对于远程连接模式效率较高,但仅支持java和基于jvm的语言,社区版不能使用集群。


2、企业版闭源且费用昂贵,集群也只是HA高可用,不能进行分布式存储,想要提高性能和容量只能加大机器的硬盘、使用更高的内存和SSD,硬件最终会达到瓶颈。


3、图数据结构导致写入性能差,实时性读写跟不上,大数据量导入麻烦,官方提供的load csv模式性能也不够理想,neo4j-import倒是不错,但是只能用于数据库初始化局限太大。


4、社区不强大,资料不丰富,碰到问题需要慢慢爬坑。


三、 安装


Windows版本:


  1. 从Neo4j网站下载最新的Neo4j Server安装文件: http://www.neo4j.org/download
  2. exe文件安装Neo4j服务器
  3. 启动服务器
  4. 使用neo4j browser访问。
  5. 在上方文本框输入CQL语句进行操作。


Linux版本:


  1. liunx环境Neo4j下载地址:https://neo4j.com/download/other-releases/#releases(社区版免费)
  2. 解压安装
    tar -axvf neo4j-community-3.4.5-unix.tar.gz
  3. 修改配置
    在安装目录下找到conf目录下的neo4j.conf文件
    #去掉改行的#,可以远程通过ip访问neo4j数据库
    dbms.connectors.default_listen_address=0.0.0.0


默认 bolt端口是7687,http端口是7474,https关口是7473


#去掉#,设置http端口为7687
#dbms.connector.bolt.listen_address=:7687
#去掉#,允许从远程url来load csv
dbms.security.allow_csv_import_from_file_urls=true

4. 进入bin目录执行。启动:./neo4j start 停止:./neo4j stop 状态:./neo4j status

5. 客户端访问

http://ip:7474/browser/


四、 使用


Neo4j使用CQL语句进行操作。功能较多,不一一阐述,可访问w3cschoolhttps://www.w3cschool.cn/neo4j/或者其他网站进行学习。


五、 与springboot集成


  1. pom依赖
    此处采用的是springboot 2.1.4
org.springframework.boot
spring-boot-starter-data-neo4j
org.neo4j
neo4j-ogm-http-driver


  1. 实体类


  1. Neo4jRepository


  1. 配置文件


  1. 测试类


  1. 查看结果


六、 其他网络资料

导入数据测试图。


社区版和企业版对比

相关文章
|
4月前
|
人工智能 JSON 自然语言处理
想让大模型更懂你?从原理到实践,详解高效微调的全流程
本文深入解析大模型微调中的核心参数调优与显存优化策略,涵盖学习率、训练轮数、批量大小、截断长度、LoRA秩五大关键参数的原理、调参技巧及显存影响,并结合LLaMA-Factory实战演示高效微调全流程,助你低成本、高质地打造专属AI助手。(239字)
594 1
|
3月前
|
人工智能 数据挖掘 Linux
阿里云/本地部署OpenClaw 配置 AI Agent团队实战:从1扩至8再精简为4的完整复盘+避坑指南
在AI Agent全面落地的2026年,越来越多用户尝试用OpenClaw(Clawdbot)搭建专属AI团队,替代人工完成内容创作、运营分发、技术维护、数据分析等工作。但很多人在搭建过程中陷入盲目扩张误区:从单个智能体起步,不断新增角色,最终导致管理成本飙升、上下文断裂、产出质量下滑、系统资源浪费。
721 2
|
4月前
|
机器学习/深度学习 JSON 算法
从“书呆子”到“高情商”:一文读懂大模型PPO与DPO
本文通俗解析大模型校准核心技术:PPO(需训练奖励模型、稳定性强)与DPO(直接偏好优化、流程简洁高效)。对比原理、数据格式、实操步骤及效果评估方法,助力开发者低成本打造“通情达理”的专属模型。
566 0
|
5月前
|
数据采集 人工智能 JSON
AI大模型微调完全指南:从原理到实践,轻松打造专属模型
大模型微调是让通用AI变身专业助手的核心技术。通过少量领域数据训练,可打造懂医疗、法律或企业专属业务的AI模型,成本低、效率高。无需编程基础,四步即可完成:准备数据、选基座模型、设参数、训练评估。未来,人人皆可定制AI。
957 2
|
6月前
|
人工智能 自然语言处理 数据挖掘
重磅发布|数据分析Agent白皮书:揭秘Data x AI的底层逻辑与未来关键
《2025数据分析Agent白皮书》内容聚焦数据分析Agent的技术路线、落地方案与未来方向,希望能将Quick BI团队多年积累的思考传递给所有关心数据领域技术和应用发展的用户。
|
9月前
|
存储 供应链 JavaScript
ERP系统生产管理全流程解析
ERP系统为企业提供集成化生产管理解决方案,涵盖从销售预测、主生产计划、物料需求计划到生产订单下达、过程控制及成品入库的全流程。通过规范生产流程,提升计划准确性与执行效率,实现资源优化配置。实施时需注重前期规划、员工培训、数据管理及持续优化,确保系统有效支撑企业生产运营。
608 3
|
人工智能 数据挖掘 API
基于neo4j数据库和dify大模型框架的rag模型搭建——后续补充
基于neo4j数据库和dify大模型框架的rag模型搭建——后续补充
1162 21
基于neo4j数据库和dify大模型框架的rag模型搭建——后续补充
|
10月前
|
人工智能 算法 C++
浅谈 KMP
KMP算法是一种高效的字符串匹配算法,由Knuth、Morris和Pratt提出。它通过预处理模式串构建next数组,利用匹配失败时的信息减少重复比较,从而提升匹配效率。其时间复杂度为O(m+n),适用于大规模文本匹配场景。
621 0
|
存储 缓存 监控
Docker容器性能调优的关键技巧,涵盖CPU、内存、网络及磁盘I/O的优化策略,结合实战案例,旨在帮助读者有效提升Docker容器的性能与稳定性。
本文介绍了Docker容器性能调优的关键技巧,涵盖CPU、内存、网络及磁盘I/O的优化策略,结合实战案例,旨在帮助读者有效提升Docker容器的性能与稳定性。
1487 8

热门文章

最新文章